A carregar...
Publicação
Gray level co-occurrence matrix structural MRI texture analysis for Alzheimer’s disease prediction
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 12.14 MB | Adobe PDF |
Orientador(es)
Resumo(s)
Alzheimer’s disease (AD) is a progressive and irreversible neurodegenerative condition that increasingly impairs cognitive functions and daily activities. Affecting millions worldwide, AD’s symptoms gradually worsen over time, starting years before they become evident with mild cognitive impairment (MCI) states. However, once symptoms manifest, the effectiveness of most therapeutic options diminishes, underscoring the urgent need for early detection methods. Given the incurable nature of AD and its profound impact on the elderly, early diagnosis and intervention are crucial, focusing on delaying disease progression and improving patients’ quality of life. Thus, this work aims to develop an automatic method to detect AD in 3 different stages, namely, control (CN), MCI, and AD itself, utilizing structural magnetic resonance imaging (sMRI) images, one of the adjunct techniques to diagnosis. For such purpose, brain sMRI images from the ADNI database were pre-processed and a set of 22 texture statistical features from the gray level co-occurrence matrix (GLCM) were extracted from various slices corresponding to the different anatomical planes. Different combinations of features have been used to feed classic machine learning (cML) algorithms to analyze their discrimination power between groups. The cML algorithms achieved the following classification accuracies: 85.2% for AD vs. CN, 98.5% for AD vs. MCI, 95.1% for CN vs. MCI, and 87.1% for All vs. All. These results are particularly significant in the field of AD classification, providing a comprehensive set of metrics beyond mere accuracy. Moreover, when compared with a similar state-of-the-art sMRI study, this approach was able to outperform the classification accuracies by 10.8%, 6.9%, and 11.8% in the AD vs. MCI, CN vs. MCI, and All vs. All study groups, respectively.
A doença de Alzheimer (DA) é uma doença neurodegenerativa progressiva e irreversível que compromete as funções cognitivas e atividades diárias de milhões de pessoas em todo o mundo. Os sintomas da DA pioram gradualmente ao longo do tempo, começando anos antes de se tornarem evidentes em estados de défice cognitivo ligeiro (DCL). No entanto, uma vez manifestados os sintomas, a eficácia da maioria das opções terapêuticas reduz, destacando a necessidade urgente de métodos de deteção precoce. Dada a natureza incurável da DA e o seu impacto significativo nos idosos, torna-se crucial o diagnóstico e a intervenção precoces, com foco em atrasar a progressão da doença e melhorar a qualidade de vida dos doentes. Este trabalho propõe o desenvolvimento de um método automático para detetar a DA em três diferentes estágios: controlo saudável (CN), DCL e a própria DA, utilizando imagens de ressonância magnética estrutural (RMs), uma das técnicas adjuvantes ao diagnóstico. Para o efeito, RMs cerebrais da base de dados ADNI foram pré-processadas e um conjunto de 22 estatísticas de textura da matriz de co-ocorrência de níveis de cinza (MCNC) foram extraídas de vários cortes correspondentes aos diferentes planos anatómicos. Diferentes combinações de características foram utilizadas para alimentar algoritmos de Machine Learning clássico (MLc), visando analisar a capacidade de discriminação entre grupos. Os algoritmos MLc alcançaram as seguintes precisões de classificação: 85,2% para DA vs. CN, 98,5% para DA vs. DCL, 95,1% para CN vs. DCL e 87,1% para Todos vs. Todos. Estes resultados são particularmente significativos no campo da classificação da DA, fornecendo um conjunto abrangente de métricas para além da precisão. Adicionalmente, quando comparado com um estudo semelhante, ao nível do estado da arte, esta abordagem superou as precisões de classificação em 10,8%, 6,9% e 11,8% nos grupos de estudo DA vs. DCL, CN vs. DCL e Todos vs. Todos, respetivamente.
A doença de Alzheimer (DA) é uma doença neurodegenerativa progressiva e irreversível que compromete as funções cognitivas e atividades diárias de milhões de pessoas em todo o mundo. Os sintomas da DA pioram gradualmente ao longo do tempo, começando anos antes de se tornarem evidentes em estados de défice cognitivo ligeiro (DCL). No entanto, uma vez manifestados os sintomas, a eficácia da maioria das opções terapêuticas reduz, destacando a necessidade urgente de métodos de deteção precoce. Dada a natureza incurável da DA e o seu impacto significativo nos idosos, torna-se crucial o diagnóstico e a intervenção precoces, com foco em atrasar a progressão da doença e melhorar a qualidade de vida dos doentes. Este trabalho propõe o desenvolvimento de um método automático para detetar a DA em três diferentes estágios: controlo saudável (CN), DCL e a própria DA, utilizando imagens de ressonância magnética estrutural (RMs), uma das técnicas adjuvantes ao diagnóstico. Para o efeito, RMs cerebrais da base de dados ADNI foram pré-processadas e um conjunto de 22 estatísticas de textura da matriz de co-ocorrência de níveis de cinza (MCNC) foram extraídas de vários cortes correspondentes aos diferentes planos anatómicos. Diferentes combinações de características foram utilizadas para alimentar algoritmos de Machine Learning clássico (MLc), visando analisar a capacidade de discriminação entre grupos. Os algoritmos MLc alcançaram as seguintes precisões de classificação: 85,2% para DA vs. CN, 98,5% para DA vs. DCL, 95,1% para CN vs. DCL e 87,1% para Todos vs. Todos. Estes resultados são particularmente significativos no campo da classificação da DA, fornecendo um conjunto abrangente de métricas para além da precisão. Adicionalmente, quando comparado com um estudo semelhante, ao nível do estado da arte, esta abordagem superou as precisões de classificação em 10,8%, 6,9% e 11,8% nos grupos de estudo DA vs. DCL, CN vs. DCL e Todos vs. Todos, respetivamente.
Descrição
Palavras-chave
Alzheimer's disease Mild cognitive impairment Magnetic resonance imaging Gray level co-occurence matrix Classic machine learning Doença de Alzheimer Défice cognitivo ligeiro Ressonância magnética Matriz de co-ocorrência de níveis de cinza Machine learning clássico
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC